Risk situation detector for elderly people based on time-series analysis

Abstract

Pessoas em idade avançada estão mais expostas a situações de risco como quedas, alterações bruscas em sinais vitais e desmaios. Estas situações se tornam mais comuns neste estágio da vida devido à diminuição natural da capacidade do corpo de coordenar os movimentos de forma adequada. Inúmeros estudos já propuseram sistemas de monitorização da saúde desta faixa populacional analisando dados de acelerometria e/ou baseados em algoritmos de aprendizado de máquina, porém o uso destes sistemas em situações reais mostrou que esta abordagem ainda é insuficiente para que uma situação de risco possa ser diferenciada com precisão de atividades da vida diária de um idoso. Este projeto propõe o desenvolvimento de um sistema de monitoração da saúde de idosos eficaz e confiável, através da coleta contínua de séries temporais extraídas de sensores de movimento associados à sinais vitais. Estes sinais alimentam uma arquitetura de rede neural profunda do tipo Long Short-Term Memory (LSTM), capaz de interpretá-los levando em consideração não apenas o instante da coleta, mas todo o contexto pré e pós situação de risco. Esta arquitetura foi baseada na hipótese de que existe uma mudança significativa nos sinais vitais associados com uma queda real. Para esta avaliação foi criado um ambiente composto por um simulador de dispositivo wearable, um simulador de aplicativo de celular e um simulador de sistema em nuvem, muito próximo ao cenário real. Este sistema, em seu modelo final, apresentou uma acurácia geral de 97%, mostrando que a fusão de sensores em um arquitetura de análise contínua de dados contribui para o aumento da capacidade de detecção de risco em idosos.